Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012"

Transcrição

1 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012

2 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto de varáves aleatóras {X } onde o índce pode ser consderado como um tempo dscreto. O valor da varável X é x que toma valores num conunto L = {α 1, α 2,...α }. A probabldade do evento ˆX 0,n = {X(t n ) = x(t n ), X(t n 1 ) = x(t n 1,...X(t 0 ) = x(t 0 )} é denotada por IP( ˆX 0,n ). A regra do produto para essa sequênca leva a IP( ˆX 0,n ) = IP(X n = x n ˆX 0,n 1 )IP( ˆX 0,n 1 ) Para o caso Markovano em que a únca nformação relevante é o últmo valor de x que pode ser estenddo a IP( ˆX 0,n ) = IP(x n x n 1 )IP( ˆX 0,n 1 ) IP( ˆX 0,n ) = IP(x x 1 )IP(x 0 ) =1,n Sea M a matrz de transção de Markov. É uma matrz quadrada com elementos não negatvos: M = IP(x n = α x n 1 = α ), é a probabldade de transção (1-passo) do estado para o. Consderamos o caso em que estes elementos de matrz não dependem do tempo. Note que M = 1, mas M não é obrgatoramente 1. A probabldade P(x n ) é obtda margnalzando sobre todas as varáves X, = 0,...n 1, em notação de matrz P n = Π 0 M n (1) onde P n e Π 0, vetores (lnha) de dmensão, são respectvamente as probabldades no nstante n e 0. Mostraremos a segur város resultados que coletados são um caso partcular do teorema de Perron-Frobenus: 1. M tem um autovetor à dreta v 1 que é o vetor coluna com todas as entradas guas a O autovalor assocado a esse autovetor é λ PF = 1 de multplcdade algébrca e geometrca 1 3. Todos os outros autovalores λ de M satsfazem λ < 1 4. O autovetor à esquerda u PF assocado a λ PF tem todas as componentes não nulas. Pode ser normalzado de forma a que a soma das componentes sea 1.

3 notas processos estocástcos 3 5. Para cada um dos outros autovetores de M à esquerda ou à dreta, a soma das componentes é zero. 6. O vetor P n tende exponencalmente rápdo com n para u PF Prova de 1 e 2: Como os elementos de M são probabldades temos M = 1 lembrando que v 1 = (1,..., 1) T pode ser escrto M (v 1 ) = (v 1 ) ou Mv 1 = v 1 Prova de 3. Sea v = (v 1, v 2,..., v ) T um autovetor com autovalor assocado λ λv = M v, exste uma componente que satsfaz v k v para todo = k. Tomando o módulo da equação de autovalores, temos uma prmera desgualdade λv = M v M v (2) e uma segunda desgualdade é obtda maorando v por v k λv = M v M v M v k = v k (3) pos a somatóra é 1 por normalzação das probabldades. Assm temos que, para todo λv v k (4) e em partcular para = k λ v k v k (5) Dos casos são possíves. Se λ = 1, entao as duas desgualdades acma são gualdades. A desgualdade 2 mostra que todos os termos v tem a mesma fase. A segunda desgualdade em 3 mostra que os v também tem o mesmo módulo. A conclusão é que se λ = 1 então o vetor v so pode ser um múltplo de (1,...1) T e que λ = 1, é portanto o únco o autovalor 1,.e. smples. Note que vale o nverso: se v for um múltplo de v 1 mplca λ = 1. O segundo caso ocorre se v não for um múltplo de (1,...1) T, então não pode valer a gualdade: λ < 1. Prova de 4: que o autovetor à esquerda u PF de autovalor 1 tem as componentes postvas. Para qualquer autovetor à esquerda temos λu = u M (6)

4 notas processos estocástcos 4 tomando valor absoluto dos dos lados a desgualdade trangular somando sobre todo os λ u = u M (7) λ u = λ u u M u M (8) u M = u (9) Se λ < 1 não dz nada, mas se λ = 1 sgnfca que a desgualdade acma é uma gualdade. portanto a expressão 8 é uma gualdade e todas as componentes tem a mesma fase, que podemos tomar gual a zero. Segue que todas as componentes são postvas. Prova de 5. Consderemos outro autovetor à esquerda u com autovalor λ < 1. λu = u M (10) λ u = λ u M = u M (11) u = u (12) e portanto para qualquer autovetor à esquerda com autovalor menor que 1, a soma das componentes deve ser zero. Prova de 6: Convergênca para o equlíbro. Denote, para a = 2,..., os autovalores menores que 1 por {λ a } e por {u a } os autovetores assocados à esquerda. Note que acma provamos u PF = 1, u a = 0; (13) A condção ncal Π 0 pode ser escrta na base dos autovetores à esquerda Π 0 = c 0 u PF + c a u a (14) Somando as compoenentes dos vetores acma, por normalzação temos que 1 = c ou sea e usando a equação (1) Π 0 = u PF + c a u a (15) P n = Π 0 M n = u PF + c a λ n a u a (16)

5 notas processos estocástcos 5 e podemos mostrar a convergênca em qualquer norma aproprada P n u PF = c a λ n a u a (17) ordene os autovetores de forma que λ 2 λ a para todos os a > 2: P n u PF = λ 2 n c a ( λ a λ 2 ) n u a < Ce n/τ 0 (18) onde τ = 1/ ln λ 2 1 é o tempo característco de termalzação. Cadeas de Markov Absorventes O materal desta seção fo extrado de Grnstead e Snell 1 que recomendamos como fonte de consulta. Há processos markovanos que ao chegar a um determnado estado cessam de evolur. Isto nos leva à : 1 chance/teachng_ads /books_artcles/probablty_book/book.html Defnção: Estado Absorvente (EA): Se para todo =, M = 0, então o estado é um estado absorvente. Defnção: Cadeas de Markov Absorventes (CMA) são as cadeas de Markov com ao menos um estado absorvente. Defnção: Estado Transente (ET) é todo estado de uma CMA que não é absorvente. Estamos nteressados em determnar propredades do segunte tpo: qual é a esperança do tempo que leva para chegar a um estado aborvente partcular, a qualquer estado absorvente, qual é a esperança do número de vstas a um estado transente antes de ser absorvdo. Consdere uma CMA com n t estados transentes e n r estados absorventes, n t + n r =. A matrz de Markov da CMA pode ser escrta assm ( ) Q IR M = 0 1 onde Q é uma matrz n t n t que descreve as transções entre estados transentes, IR é a matrz n t n r que descreve a transção de estados transentes a absorventes. A matrz 0 é n r n t e seu elementos são todos nulos. A matrz 1 é dagonal, (1) = δ e tem dmensão n r n r. A equação (1) contnua descrevendo a dnâmca e precsamos encontrar as potêncas de M: M n = ( Q n f (IR, Q) 0 1 Devdo à absorção esperamos que Q n 0 pos Q descreve as transções entre os estados transentes e há a possbldade de )

6 notas processos estocástcos 6 transção de algum estado transente para um estado absorvente: a probabldade de estar em um estado transente va a zero quando o tempo n cresce. Há váras questões da dnâmca que podem ser responddas a partr de Q, em partcular olharemos para algumas delas. Seam e dos estados transentes e l um estado absorvente: Dado que o sstema está no estado qual é o valor esperado do número de vstas ao estado antes de ser absorvdo? Começando do estado, qual é o valor esperado do tempo que demora o sstema para ser absorvdo? Começando do estado, qual é a probabldade que o sstema sea absorvdo no estado l. Começamos defnndo a matrz chamada fundamental N como o nverso de (1 Q): Para n, (1 Q)((1 + Q + Q Q n ) = 1 Q n+1. N = lm n =0 Q, (19) temos que (1 Q)N = 1. PAra e transentes (fxos) e l um número de passos da dnâmca, defnmos a varável estocástca Y (l) que toma valor 1 se, começando do estado, depos de l passos, estver no estado, e zero se não estver. Então a probabldade P(Y (l) = 1) = 1 P(Y (l) = 0) = q (l) Exercíco Convença-se que o valor esperado de Y (l) é IE[Y (l) ] = q (l) é o valor esperado de estar em após l passos. Somando sobre todos os valores de l, temos o valor esperado de vstação de antes de ser abosorvdo: IE[ Y (l) ] = q (l) l=0 l=0 que pela defnçao de N, é IE[ Y (l) ] = n l=0 O tempo médo até a absorção depende do estado ncal, t. É a soma dos tempos esperados gastos em cada um dos estados transentes, portanto t = n

7 notas processos estocástcos 7 Consderamos agora um estado absorvente a e um estado ncal transente. Queremos saber qual é a probabldade de a ser o estado em que o processo para de evolur, que chameremos B a. Consderemos um outro estado absorvente, e a probabldade de depos de l passos o sstema não ter sdo absorvdo e estea em. A regra do produto pode ser aplcada a probabldade de: sar de, chegar a após l passos e ser absorvda em a: P( l, a) = q (l) r a. A regra da soma, para eventos mutuamente excludentes, nos dá B a = l q (l) r a, sto é, somamos sobre todos os estados transentes que podem levar ao estado absorvente a em l + 1 passos, e posterormente somamos sobre todos os valores de l. Mudando a ordem das somas e usando a expressão 19 obtemos ou B = NIR. B a = q (l) l r a = n r a

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

4 Sistemas de partículas

4 Sistemas de partículas 4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as

Leia mais

Dinâmica do Movimento de Rotação

Dinâmica do Movimento de Rotação Dnâmca do Movmento de Rotação - ntrodução Neste Capítulo vamos defnr uma nova grandeza físca, o torque, que descreve a ação gratóra ou o efeto de rotação de uma força. Verfcaremos que o torque efetvo que

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor 1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

Sistemas de equações lineares

Sistemas de equações lineares Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes

Leia mais

4. ESTÁTICA E PRINCÍPIO DOS TRABALHOS VIRTUAIS 4.1. INTRODUÇÃO

4. ESTÁTICA E PRINCÍPIO DOS TRABALHOS VIRTUAIS 4.1. INTRODUÇÃO 4. ESTÁTICA E PRINCÍPIO DOS TRABALHOS VIRTUAIS 4.1. INTRODUÇÃO Na Estátca, estuda-se o equlíbro dos corpos sob ação de esforços nvarantes com o tempo. Em cursos ntrodutóros de Mecânca, esse é, va de regra,

Leia mais

ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com.

ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com. ESCOL DE PLICÇÃO DR. LFREDO JOSÉ BLBI UNITU POSTIL MTRIZES PROF. CRLINHOS NOME DO LUNO: Nº TURM: blog.portalpostvo.com.br/captcar MTRIZES Uma matrz de ordem m x n é qualquer conunto de m. n elementos dspostos

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS

MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS PROF: Claudo Saldan CONTATO: saldan.mat@gmal.com PARTE 0 -(MACK SP/00/Janero) Se y = x, sendo x= e =, o valor de (xy) é a) 9 9 9 9 e) 9 0 -(FGV/00/Janero)

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas 01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro

Leia mais

Determinantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15

Determinantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15 Determnantes - ALGA - 004/05 15 Permutações Determnantes Seja n N Uma permutação p = (p 1 ; p ; : : : ; p n ) do conjunto f1; ; ; ng é um arranjo dos n números em alguma ordem, sem repetções ou omssões

Leia mais

[T ] Subespaços Invariantes

[T ] Subespaços Invariantes Subespaços Inarantes Sea um R-espaço etoral n dmensonal e T : um operador lnear O subespaço etoral S é denomnado subespaço etoral narante pelo operador T ou subespaço etoral T-narante quando T ( S S, sendo

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

A ; (1) A z. A A y

A ; (1) A z. A A y 1 Prmera aula Thals Grard thalsjg@gmal.com Sumáro 1. Introdução da notação ndcal 2. O produto escalar e o de Kronecker 3. Rotações 4. O produto vetoral e o " de Lev-Cvta 5. Trplo produto escalar e determnantes

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

Sumarização dos dados

Sumarização dos dados Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

{ } Matemática Prof.: Joaquim Rodrigues 1 NÚMEROS COMPLEXOS. Questão 06 Para que valor de x o número complexo + 8i é imaginário puro?

{ } Matemática Prof.: Joaquim Rodrigues 1 NÚMEROS COMPLEXOS. Questão 06 Para que valor de x o número complexo + 8i é imaginário puro? Matemátca Prof.: Joaqum Rodrgues NÚMEROS COMPLEXOS INTRODUÇÃO Questão 0 Resolver as equações: a x = 0 + S = {, } + 6 S = {, } x + S = { +, } 6x + 0 S = { +, } b x = 0 c x = 0 d x = 0 e x x + = 0 f x 8x

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

AULA Espaços Vectoriais Estruturas Algébricas.

AULA Espaços Vectoriais Estruturas Algébricas. Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

Mecânica. Sistemas de Partículas

Mecânica. Sistemas de Partículas Mecânca Sstemas de Partículas Mecânca» Sstemas de Partículas Introdução A dnâmca newtonana estudada até aqu fo utlzada no entendmento e nas prevsões do movmento de objetos puntformes. Objetos dealzados,

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

CARGA MÓVEL. Conjunto de cargas moveis que mantêm uma posição relativa constante.

CARGA MÓVEL. Conjunto de cargas moveis que mantêm uma posição relativa constante. CARGA MÓVEL Força generalsada com ntensdade, drecção e sentdo fxos, mas com uma posção varável na estrutura. COMBOIO DE CARGAS Conjunto de cargas moves que mantêm uma posção relatva constante. CARGA DISTRIBUIDA

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

Capítulo 16: Equilíbrio Geral e Eficiência Econômica

Capítulo 16: Equilíbrio Geral e Eficiência Econômica Capítulo 6: Equlíbro Geral e Efcênca Econômca Pndck & Rubnfeld, Capítulo 6, Equlíbro Geral::EXERCÍCIOS. Em uma análse de trocas entre duas pessoas, suponha que ambas possuam dêntcas preferêncas. A curva

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

INTRODUÇÃO À ASTROFÍSICA

INTRODUÇÃO À ASTROFÍSICA Introdução à Astrofísca INTRODUÇÃO À ASTROFÍSICA LIÇÃO 7: A MECÂNICA CELESTE Lção 6 A Mecânca Celeste O que vmos até agora fo um panorama da hstóra da astronoma. Porém, esse curso não pretende ser de dvulgação

Leia mais

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016 Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Aula 3 - Classificação de sinais

Aula 3 - Classificação de sinais Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço

Leia mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais. 1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.4

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.4 Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.4 Provsão de Bens Públcos de forma descentralzada: a solução de Lndahl Isabel Mendes 2007-2008 13-05-2008 Isabel Mendes/MICRO

Leia mais

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON 1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de

Leia mais

Capítulo 24: Potencial Elétrico

Capítulo 24: Potencial Elétrico Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas

Leia mais

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

V.1. Introdução. Reações Químicas.

V.1. Introdução. Reações Químicas. V.1. Introdução. Reações Químcas. V. Balanços Materas a Processos com Reação Químca Uma equação químca acertada ornece muta normação. Por exemplo, a reação de síntese do metanol: CO (g) + 3H (g) CH 3 OH

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

Leia mais

Autovetor e Autovalor de um Operador Linear

Autovetor e Autovalor de um Operador Linear Autovetor e Autovalor de um Operador Linear Definição Seja T : V V um operador linear. Um vetor v V, v 0, é dito um autovetor de T se existe um número real λ tal que T (v) = λv. O número real λ acima é

Leia mais

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Métodos numéricos para o cálculo de sistemas de equações não lineares

Métodos numéricos para o cálculo de sistemas de equações não lineares Métodos numércos para o cálculo de sstemas de equações não lneares Introdução Um sstema de equações não lneares é um sstema consttuído por combnação de unções alébrcas e unções transcendentes tas como

Leia mais

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências. 1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem

Leia mais

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6: Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)

Leia mais

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

Leia mais

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Lista de Matemática ITA 2012 Números Complexos

Lista de Matemática ITA 2012 Números Complexos Prof Alex Perera Beerra Lsta de Matemátca ITA 0 Números Complexos 0 - (UFPE/0) A representação geométrca dos números complexos que satsfaem a gualdade = formam uma crcunferênca com rao r e centro no ponto

Leia mais

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico Q1 Um clndro feto de materal com alta condutvdade térmca e de capacdade térmca desprezível possu um êmbolo móvel de massa desprezível ncalmente fxo por um pno. O rao nterno do clndro é r = 10 cm, a altura

Leia mais

Física Geral I - F Aula 12 Momento Angular e sua Conservação. 2º semestre, 2012

Física Geral I - F Aula 12 Momento Angular e sua Conservação. 2º semestre, 2012 Físca Geral I - F -18 Aula 1 Momento Angular e sua Conservação º semestre, 01 Momento Angular Como vmos anterormente, as varáves angulares de um corpo rígdo grando em torno de um exo fxo têm sempre correspondentes

Leia mais

( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO.

( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO. ecânca Geral II otas de UL - Teora Prof. Dr. láudo S. Sartor ET DE U IÁI. Duas forças, que tenham o mesmo módulo e lnha de ação paralelas e sentdos opostos formam um bnáro. Decomposção de uma força dada

Leia mais

HOMOTETIAS, COMPOSIÇÃO DE HOMOTETIAS E O PROBLEMA 6 DA IMO 2008 Carlos Yuzo Shine Nível Avançado

HOMOTETIAS, COMPOSIÇÃO DE HOMOTETIAS E O PROBLEMA 6 DA IMO 2008 Carlos Yuzo Shine Nível Avançado HMTETIS, MPSIÇÃ DE HMTETIS E PREM 6 D IM 008 arlos Yuzo Shne Nível vançado ntes de começar a dscussão, vamos enuncar o problema 6 da IM 008, que é a motvação prncpal desse artgo. Problema 6, IM 008. Seja

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Física C Intensivo V. 2

Física C Intensivo V. 2 Físca C Intensvo V Exercícos 01) C De acordo com as propredades de assocação de resstores em sére, temos: V AC = V AB = V BC e AC = AB = BC Então, calculando a corrente elétrca equvalente, temos: VAC 6

Leia mais

Trabalho e Energia. Definimos o trabalho W realizado pela força sobre uma partícula como o produto escalar da força pelo deslocamento.

Trabalho e Energia. Definimos o trabalho W realizado pela força sobre uma partícula como o produto escalar da força pelo deslocamento. Trabalho e Energa Podemos denr trabalho como a capacdade de produzr energa. Se uma orça eecutou um trabalho sobre um corpo ele aumentou a energa desse corpo de. 1 OBS: Quando estudamos vetores vmos que

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

ELE0317 Eletrônica Digital II

ELE0317 Eletrônica Digital II 2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para

Leia mais

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo. .4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo

Leia mais

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12 Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com

Leia mais

Resolução das Questões Objetivas

Resolução das Questões Objetivas COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções

Leia mais

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 8 B Teoria dos Jogos Maurício Bugarin. Desenvolver o modelo de jogo repetido

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 8 B Teoria dos Jogos Maurício Bugarin. Desenvolver o modelo de jogo repetido Teora dos Jogos Prof. Mauríco Bugarn Eco/UnB 015-II Rotero Capítulo 3. Jogos Jogos Repetdos Desenvolver o modelo de jogo repetdo Provar o teorema popular Aplcar para conluo no jogo de dlema dos prsoneros

Leia mais

CAPITULO II - FORMULAÇAO MATEMATICA

CAPITULO II - FORMULAÇAO MATEMATICA CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho

Leia mais

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4?

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4? Segmento: ENSINO MÉDIO Dscplna: MATEMÁTICA Tpo de Atvdade: LISTA DE EXERCÍCIOS Prof. Marcelo 06/2016 Turma: 3 A PROBABILIDADE 1) No lançamento de um dado, determnar a probabldade de se obter: a) o número

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais